3.5 智能体工学原则

本节介绍智能体工学(Agent Ergonomics)的概念，阐述为Agent设计更好用的软件系统的三大原则，并讨论这个新兴方向在Harness工程中的应用。

3.5.1 什么是智能体工学

智能体工学 是指：为Agent（而非人类）设计更好用的软件系统和开发工具的实践。传统的用户体验(UX)设计是以人类用户为中心的，而智能体工学则反转这个视角——我们不再假设使用者是有判断力的人，而是需要清晰指令、快速反馈、标准化接口的自主代理。

这个概念由TiDB CTO黄东旭在QCon 2026大会上系统地提出。他指出，当我们进入Agent驱动的时代，一个关键的转变是：基础软件不再给人用，给Agent用。这意味着Harness工程的设计原则需要根本转变。

3.5.2 智能体工学的三大原则

智能体工学包含三个相互支撑的核心原则：

原则1：最小化使用摩擦 (Minimize Friction)

含义：为Agent提供统一的、结构化的、低成本的接口，减少Agent在多个系统间的切换和上下文切换。

传统问题：许多系统给Agent留下的是碎片化的接口：

Agent需要做什么:
1. 从API A查询数据 → 返回JSON格式
2. 从数据库B查询数据 → 返回结构化行
3. 从日志系统C获取信息 → 返回纯文本日志
4. 调用模型D做推理 → 返回概率分布

结果:Agent每次切换系统都需要:
- 理解新的数据格式
- 学习新的API语法
- 调整请求/响应的解析逻辑
- 维护多个小型的适配层

这种碎片化对人类用户来说可能还能忍受（因为我们有灵活的认知能力），但对Agent来说就是巨大的摩擦——每次系统切换都是推理成本。

最佳实践：

黄东旭提出的解决方案是 Unified Platform——将所有的状态、数据、内存、日志都统一到一个结构化的数据库中，而不是让Agent在多个"小本本"间切换。

# 反面示例:多个系统间的摩擦
class FragmentedHarness:
    def execute(self, task):
        # Agent需要学习多个接口
        data_api_result = self.data_api.query(task)        # JSON
        db_result = self.database.query(task)              # DataFrame
        log_events = self.log_system.search(task)          # Dict[str, str]
        memory = self.memory_service.retrieve(task)        # Markdown
        
        # Agent需要理解4种不同的数据结构和格式,耗费大量推理成本

# 正面示例:统一的结构化平台
class UnifiedHarness:
    def execute(self, task):
        # 所有数据都从同一个结构化存储获取
        context = self.unified_store.get_context(task)
        # context包含:
        # {
        #   "data": <结构化>,
        #   "memory": <结构化>,
        #   "logs": <结构化>,
        #   "state": <结构化>
        # }
        
        # Agent只需要学习一种结构,大幅降低摩擦

摩擦最小化的具体措施包括：

1. 统一的数据存储：数据库、内存、日志都存储在同一个结构化系统中

2. 一致的接口：所有工具都遵循相同的调用约定和返回格式

3. 快速的反馈回路：Agent执行一个操作，毫秒级获得结果反馈

4. 减少概念切换：Agent不需要在"API模式"和"数据库模式"和"日志模式"间频繁切换

原则2：最大化信息密度 (Maximize Information Density)

含义：在传递信息给Agent时，每个字节都应该是有意义的。消除冗余、废话、格式开销，提供信息密度最高的表示。

传统问题：HTML是为人类阅读设计的，充满了视觉样式标记，对Agent来说大量冗余：

<!-- HTML的信息密度很低 -->
<div class="container">
  <div class="card shadow-lg">
    <div class="card-header">
      <h2 class="text-2xl font-bold">用户信息</h2>
    </div>
    <div class="card-body">
      <p class="text-gray-600">
        <span class="font-semibold">用户名:</span>
        <span id="username">John Doe</span>
      </p>
      <p class="text-gray-600">
        <span class="font-semibold">邮箱:</span>
        <span id="email">[e-mail]</span>
      </p>
    </div>
  </div>
</div>

而Markdown用简洁的格式传递同样的信息，信息密度要高得多：

## 用户信息

- **用户名**: John Doe
- **邮箱**: [e-mail]

相同的信息量，Markdown只需要HTML约20%的字符数。而对于Agent来说，这20%的字符数意味着：

• 更低的令牌消耗

• 更快的处理速度

• 更好的理解准确度（信号噪比更高）

信息密度最大化的具体措施：

1. 使用Markdown而非HTML：简洁的标记格式取代冗余的视觉标记

2. 避免重复：不要同时用标题、ID、class等多个方式表示同一个信息

3. 精简格式：选择Agent友好的格式（YAML/JSON而非XML）

4. 删除装饰：颜色、字体、大小等视觉元素对Agent毫无帮助，应删除

原则3：信任模型能力 (Trust Model Capabilities)

含义：不要用人类设计的流程规范去限制Agent。大多数人类工作流对Agent来说是不必要的约束。

传统问题：许多企业系统仍然遵循人类设计的工作流程：

人类工作流:
1. 提交请求 (人工填写表单)
2. 等待审批 (人工等待和思考) 
3. 执行操作 (人工手工操作)
4. 记录结果 (人工填写报告)

这些步骤在人类工作中是合理的，因为：

• 人容易出错，所以需要审批

• 人处理速度慢，所以需要队列

• 人注意力有限，所以需要检查清单

但对Agent来说，这些约束通常是不必要的开销。

黄东旭的关键论断："99%的人类流程在Agent面前是愚蠢的约束。"

这不是说Agent不需要任何约束，而是说：约束应该基于实际的风险和合规需求，而不是基于人类的工作习惯。

信任模型的具体实现：

# 反面:人类工作流约束
class HumanCentricWorkflow:
    def transfer_money(self, amount):
        # 1. 记录意图
        self.log_intent()
        
        # 2. 等待人工审批
        approval = self.request_human_approval()
        
        # 3. 人工执行(实际上由API完成)
        result = self.api.transfer(amount)
        
        # 4. 人工记录日志
        self.log_result(result)
        
        # 整个过程可能需要小时或天

# 正面:Agent友好的约束
class AgentCentricWorkflow:
    def transfer_money(self, amount):
        # 直接执行,但有四层约束:
        
        # 约束1: 权限检查 (基于能力)
        if not self.has_permission("transfer"):
            raise PermissionError()
        
        # 约束2: 风险检查 (基于金额)
        if amount > self.SINGLE_TRANSFER_LIMIT:
            return self.request_approval()  # 只有超限才需要
        
        # 约束3: 合规检查 (基于法规)
        if not self.passes_aml_check(amount):
            return self.quarantine_for_review()
        
        # 约束4: 自动记录 (自动化而非手工)
        result = self.api.transfer(amount)
        self.auto_log_transaction(result)
        
        # 整个过程毫秒完成,而不是小时/天

关键区别是：

维度	人类工作流	Agent工作流
约束来源	工作习惯、经验	风险评估、法规要求
审批方式	人工审批	自动化检查
执行方式	人工操作	API调用
记录方式	人工填写	自动化审计日志
处理速度	分钟/小时	毫秒/秒

3.5.3 智能体工学与Harness设计的关系

智能体工学改变了Harness设计的许多决策：

1. 架构设计

传统的Harness通常采用分层设计，各层间通过明确的API通信。智能体工学建议：在满足安全隔离的前提下，最大化层间的数据共享和一致性。

# 传统分层架构
# Layer A -> Layer B -> Layer C
# 每层都有自己独立的数据存储和状态

# Agent友好的架构
# 共享的统一状态存储
# Layer A, B, C都访问同一个结构化的记忆/状态系统

2. 接口设计

智能体工学要求接口的统一性。所有工具、API、内存访问都应该遵循相同的模式。

# Agent友好的接口模式
class AgentTool:
    """所有工具都遵循相同的接口"""
    
    def execute(self, params: Dict) -> Result:
        """
        统一的执行接口
        输入: 结构化的参数字典
        输出: 统一的Result对象
        """
        pass

# 而不是:
class LegacyTool1:
    def do_something(self, x, y, z): ...

class LegacyTool2:
    async def perform_action(self, payload): ...

class LegacyTool3:
    def invoke(self, config, input): ...

3. 数据格式

智能体工学推荐使用更新的、更紧凑的格式（JSON/YAML）而不是HTML/XML。

4. 反馈机制

快速、一致的反馈是关键。Agent执行一个操作，应该立即获得结果反馈，而不是等待异步处理。

3.5.4 智能体工学的实际案例

TiDB Zero的onboarding优化

黄东旭在演讲中提到，TiDB Zero（为Agent设计的数据库产品）已经实现了智能体工学的几个原则：

没有账号体系：

传统的数据库有复杂的账号、权限、审批体系，都是为人类用户设计的。TiDB Zero去掉了这些，转而采用：

# 简单的API key认证
# Agent只需要:
db = TiDBClient(api_key="xxx")
result = db.query("SELECT ...")

不需要人类用户去理解"数据库用户"、"权限角色"、"审批流程"等概念。

一行代码的onboarding：

# 传统数据库的onboarding:
# 1. 创建账号
# 2. 申请权限
# 3. 通过审批
# 4. 获得连接字符串
# 5. 配置客户端
# ... 10多个步骤

# Agent友好的onboarding:
# 贴一段Skill就跑起来
agent.load_skill("tidb_connector.skill")
# 完成！

这体现了摩擦最小化原则：从10多个步骤简化为一行代码。

Claude Code的统一内存系统

Claude Code的记忆系统体现了信息密度最大化原则：

• 使用Markdown格式存储（简洁）

• 所有信息都在同一个CLAUDE.md中（统一）

• Agent可以直接读写（低摩擦）

而不是：

• 分散到多个JSON文件

• 使用复杂的数据库schema

• 需要通过API访问

3.5.5 智能体工学与安全的平衡

一个常见的疑虑是：如果我们信任Agent的能力，不对它施加人类工作流的约束，会不会降低安全性？

答案是：不一定，取决于约束的设计。

关键区别是：

约束类型	目的	效果
人类工作流约束	补偿人的不可靠性	降低Agent效率
风险基约束	防止实际的坏结果	保持Agent效率 + 安全

例如，对一个转账操作的约束：

# 约束1: 人类工作流约束 (不必要)
if operation == "transfer_money":
    require_human_approval()  # 这限制了Agent,但没有降低实际风险

# 约束2: 风险基约束 (必要)
if amount > SINGLE_TRANSFER_LIMIT:
    require_approval()  # 这是基于实际的风险阈值
elif not passes_aml_check(recipient):
    quarantine_for_manual_review()  # 基于合规要求

智能体工学的目标是：**用有针对性的、基于风险的约束，替代广泛的、基于人类习惯的约束。**这样既保证安全，也最大化效率。

3.5.6 总结

智能体工学是Harness工程的新兴方向，强调三个核心原则：

1. 最小化摩擦：提供统一、结构化、低成本的接口

2. 最大化信息密度：删除冗余，提供高密度的信息表示

3. 信任能力：用基于风险的约束替代基于习惯的约束

这些原则要求我们重新思考系统的设计——不是为人工操作优化，而是为Agent的高效、自主执行优化。

当我们进入Agent驱动的时代，这些原则将变得越来越重要。